절편 유닛과 달리 각 가중치 w_j는 데이터셋에 있는 특성 x_j에 대응됩니다. 이 특성은 위에서 정의된 업데이트 값 Δw_j를 결정하는 데 사용됩니다.

여기에서 η는 학습률(learning rate)입니다(일반적으로 0.0에서 1.0 사이 실수입니다). y⁽ⁱ⁾는 i번째 훈련 샘플의 진짜 클래스 레이블(true class label)입니다. 는 예측 클래스 레이블(predicted class label)입니다. 가중치 벡터의 모든 가중치와 절편 유닛을 동시에 업데이트한다는 점이 중요합니다. 즉, 모든 가중치와 절편 유닛이 각자의 업데이트 값 Δwj와 Δb에 의해 업데이트되기 전에 예측 레이블 를 다시 계산하지 않습니다. 구체적으로 2차원 데이터셋에서는 다음과 같이 업데이트됩니다.

파이썬으로 퍼셉트론 규칙을 구현하기 전에 간단한 사고 실험을 하여 이 규칙이 얼마나 멋지고 간단하게 작동하는지 알아보겠습니다. 퍼셉트론이 클래스 레이블을 정확히 예측한 두 경우는 가중치와 절편 유닛이 변경되지 않고 그대로 유지됩니다. 따라서 업데이트 값은 0이 됩니다.

(1)

(2)